数据分析方法(4)之用户画像

• 用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。
• 利用用户画像分析的基本步骤：获取数据—分析需求—数据分析产生结果。
  
• 1、前台数据+后台数据
  • 前台数据：客户能够看见的，例如：电商平台中的商品价格、评价、排名、销量、关键词等；网页平台中的网页浏览次数等
  • 后台数据：看不见的，存在于平台内部数据库中，需要的时候从内部数据库直接下载进行分析，例如：广告数据，订单数据，页面点击次数、页面人均浏览次数等。
  • 数据类型：
• 2、获取的数据种类及意义
  • 用户基本属性：
    • 性别、年龄、教育程度、月收入、地域分布等；
    • 对用户进行合理分类，从而帮助平台/入住商更好的了解不同群体用户的需求，搭建用户画像。
  • 用户行为属性：
    • 下单时间、促销敏感度、收藏、加入购物车、订单、点击、浏览等；
    • 分析用户在购物过程中到底哪个环节出了问题，以此进行优化提升转化率，使用户留下来。
  • 用户偏好属性：
    • 用户的加购属性，平台的商品推荐。
    • 对用户购买商品的关联性进行分析，了解用户偏好，从而帮助平台更好的给用户推荐商品。
• 3、用户画像在互联网中的作用
  • 之前我们简单介绍了AARRR模型：数据分析方法(3)之AARRR模型。而用户画像分析的目的也正是如此：获客、激活、留存、收益和传播。
  • 获客(Acquisition)：如何进行拉新，通过更准确的营销获取用户；
  • 激活(Activation)：如何让用户活跃，个性化推荐、搜索排序、场景运营；
  • 留存(Retention )：如何让用户长期使用我们的产品，流失率分析；
  • 收益(Revenue)：如何让用户消费，让平台获益，发放优惠券；
  • 传播(Referral)：如何让用户将产品推荐给朋友，也是获客的手段之一。

关于用户画像的简单分析可以看我的这篇博客：

python数据分析实战之用户分析及RFM模型分析

分析了用户人数的地区、年龄和性别分布、各年龄段及各性别的消费金额及下单数量、二八定律(帕累托法则)、用户分层RFM模型。